【技术实现步骤摘要】
本专利技术涉及基于神经网络的分类技术，特别涉及有监督的信号分类技术。
技术介绍
1、卷积神经网络是一种常见的深度学习方法，具有强大的特征提取功能。卷积神经网络的一般结构包含卷积部分、全连接部分以及输出层，其中卷积部分的主要功能是对输入信号进行隐式的特征提取，而全连接部分的主要功能是对特征进行整理和输出。对于多分类任务，神经网络通过在输出层添加softmax激活函数，将输出值映射为概率，概率最大的类别即为分类结果。应用卷积神经网络解决多分类问题，训练阶段首先搭建神经网络结构，设置超参数，使用带有标签的训练集对神经网络参数进行训练，得到完整的网络模型。之后实际的分类阶段，将待分类的数据输入至完成训练的神经网络中，待分类数据集在神经网络模型中进行推理，得到分类结果。目前常使用的训练方法基于神经网络梯度的反向传播，整个训练过程一般需要多次重复地利用训练集数据，在多个世代中更新权重，使得训练的过程需要很高的计算量和很长的处理时间。
2、在某些实际应用场景中，受信号变异性的影响，训练阶段的训练集和分类阶段的待分类的数据的分布往往存在较大差异，导致仅使用训练集训练的模型在实际应用时分类性能下降。例如声音信号受环境音、信道差异和采集个体差异等影响，在不同时间和地点的信号会有显著变化。而生物信号(如脑电、心电和肌电)受电极位移、肌肉疲劳、不同个体生理差异等因素的影响。在很多数据集上可以验证，仅训练集预训练的模型往往较难直接推广用于分类阶段的待分类的数据。
技术实现思路
1、本专利技术针对
2、本专利技术为解决上述技术问题所采用的技术方案是，一种基于神经网络的有监督的信号分类方法，包括以下步骤：
3、数据预处理步骤：采集与待分类数据相同采集环境的数据并完成贴标生成校准数据；校准数据中包含有全部信号类别的数据；校准数据的数量小于相待分类数据的数量；
4、将校准数据输入至已完成训练的神经网络模块，根据神经网络模块的模板层的输出得到所有信号类别的类别模板；所述神经网络模块的模板层为神经网络模块中指定的全连接层；
5、将待分类数据输入至已完成训练的神经网络模块，神经网络模块的模板层输出待分类数据的特征数据；
6、模板匹配步骤：将待分类数据的特征数据分别与各类别模板进行距离计算，将距离最小值所对应的类别作为最终的分类结果。
7、申请人分析发现，当待分类的数据与测试集的数据分布差异较大时，虽然直接进行分类会导致准确率大幅下降，但其以完成训练的网络的卷积部分提取的特征类型往往是相同的。因此提出了一种保留其提取特征的能力，再利用小部与待分类数据相同环境采集的并贴标的数据对神经网络的分类部分进行更新从而实现使用最少的模型更新计算，实现准确率提升。
8、本专利技术从少量与待分类数据相同环境采集的并贴标的数据作为校准数据；利用校准数据在神经网络模板层的输出，进一步构造降维模型，得到类别模板。将待分类数据与类别模板之间通过计算距离进行模板匹配，利用模板匹配结果得到分类结果。减小了信号变异性对模型性能的影响。与其他改进方案使用校准数据对神经网络模型进行增量训练不同，本专利技术提出的方法无需对神经网络参数进行重新训练，显著降低了计算复杂度，同时具有更优越的分类性能。进一步的，模板降维匹配方法在降低了模板维度冗余的又进一步降低了计算复杂度。
9、本专利技术的有益效果是，降低了模型冗余度和计算复杂度，在语音信号、生理信号等变异性较强的信号处理中具有广泛的应用价值。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的有监督的信号分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，得到所有信号类别的类别模板的具体方法为：将同一类别标签的校准数据输入至神经网络模块，对模板层输出的该类别的各特征数据进行融合后得到类别模板，对应每个信号类别均生成一个类别模板。
3.如权利要求2所述方法，其特征在于，融合的手段为对同一类别的各特征数据进行加权平均，将加权平均结果作为类别模板。
4.如权利要求1所述方法，其特征在于，将模板层输出的特征数据和待分类数据的特征数据均进行降维处理，将降维处理后的加权平均结果作为类别模板，待分类数据的特征数据进行降维处理后再完成模板匹配步骤。
5.如权利要求1所述方法，其特征在于，模板匹配步骤中距离计算为采用欧氏距离、汉明距离或余弦相似度计算。
6.如权利要求1所述方法，其特征在于，与待分类数据相同采集环境的数据为待分类数据中随机取一小部分数据或者单独从与待分类数据相同环境中采集的一小部分数据；
7.如权利要求1所述方法，其特征在于，所述指定的全连接层为最后一层
...【技术特征摘要】
1.一种基于神经网络的有监督的信号分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述方法，其特征在于，得到所有信号类别的类别模板的具体方法为：将同一类别标签的校准数据输入至神经网络模块，对模板层输出的该类别的各特征数据进行融合后得到类别模板，对应每个信号类别均生成一个类别模板。
3.如权利要求2所述方法，其特征在于，融合的手段为对同一类别的各特征数据进行加权平均，将加权平均结果作为类别模板。
4.如权利要求1所述方法，其特征在于，将模板层输出的特征数据和...
【专利技术属性】
技术研发人员：周军，李雨姗，罗杰薰，李海廷，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。